Ejercicio clase Tablas de Anova:

1.una inmobiliaria especializada en apartamentos para universitarios, ha observado con preocupación que al pasar los s
también piensa que se debe al aumento en los costos en las matriculas [costo medio del semestre] (z) que pagan los es

Y= UNIDADES
X= INDICE DE Z= COSTOS MEDIO HABITACIONALES
INSEGURIDAD DEL SEMESTRE ALQUILADAS
0.075 $ 3,100,000 650
0.079 $ 3,200,000 640
0.088 $ 3,900,000 639
0.093 $ 3,800,000 610
0.093 $ 3,850,000 607
0.099 $ 3,900,000 590
0.081 $ 3,950,000 599
0.079 $ 3,990,000 602
0.100 $ 4,000,000 582
0.101 $ 4,000,000 580

1: cuadro
PROPORCIONA LOS COEFICIENTES DE AJUSTED DEL MODELO

Estadísticas de la regresión
Coeficiente de correlación múltiple 0.85
Coeficiente de determinación R^2 0.726648851372028
R^2 ajustado 0.648548523192607
Error típico 14.812797406421
Observaciones 10
SOLUCION:
85.0% La relacion del coeficiente de correlacion multiple es debil
el 72,7% de la variabilidad es explicada por nuestras variables. El resto de la variabilidad (27,3%) e
72.7% explicativas) que no son tenidos en cuenta en este ejemplo.

2: cuadro
ANALISIS DE LA VARIANZA
ANÁLISIS DE VARIANZA
Grados de libertad Suma de cuadrados
Regresión 2 4082.96723097429
Residuos 7 1535.93276902572
Total 9 5618.9
SOLUCION:
En este caso, es de 0,01 ,significa que hay un riesgo 1,1% de error.
Concluyendo que las variables explicativas originan una cantidad de informacion poco significativa al modelo.

3:cuadro
CUADRO PARA PREVISIONES

Coeficientes Error típico

Intercepción 854.916617913224 57.4357114655731
Variable X 1 -961.29888813832 648.451539305958
Variable X 2 -4.23595852073605E-05 1.89756474564769E-05
SOLUCION:
Y^=ax+bz+c
Y^=-961,30X(0,09)+-4,23z(4500000)+854,92
y^= 86,517+19035000+854,92
y^=19035941

Vemos que el p-value asociado a la prueva de la inmobiliaria de los universitarios es aproximadamente de 0,18 y que
valor 0. Eso corrobora el escaso impacto sobre modelo.

Análisis de los residuales

Observación Pronóstico para Y Residuos

1 651.504487160033 -1.50448716003302
2 643.423333086744 -3.4233330867437
3 605.119933448347 33.8800665516535
4 604.549397528391 5.45060247160916
5 602.431418268023 4.56858173197713
6 594.545645678825 -4.54564567882494
7 609.731046404947 -10.7310464049466
8 609.959260772929 -7.95926077292893
9 589.348388269951 -7.34838826995065
10 588.387089381812 -8.3870893818123
blas de Anova:

arios, ha observado con preocupación que al pasar los semestres han alquilado menos unidades habitacionales(Y). El gerente de la inmo
atriculas [costo medio del semestre] (z) que pagan los estudiantes, haciendo que busquen alternativas de viviendas más económicas. En

100% -27.3%
72.7%

ultiple es debil
nuestras variables. El resto de la variabilidad (27,3%) es debido a efectos (variables
en este ejemplo.

Promedio de los cuadrados F Valor crítico de F

2041.48361548714 9.304043508 0.01067881741375 1.1
219.418967003674
d de informacion poco significativa al modelo.

Estadístico t Probabilidad Inferior 95% Superior 95% Inferior 95,0%

14.884757167597 1.480953E-06 719.102741674245 990.730494152 719.102741674
-1.482452935754 0.1817802948 -2494.6431239639 572.045347687 -2494.643124
-2.23231303725039 0.0607631325 -8.722986137E-05 2.510691E-06 -8.7229861E-05

-961.30 0.09 86.517

-4.23 4500000 19035000
86.517 19035000 854.92 19035941.437

de los universitarios es aproximadamente de 0,18 y que el intervalo de confianza de 572,04% asociado roza el
r 0. Eso corrobora el escaso impacto sobre modelo.
bitacionales(Y). El gerente de la inmobiliaria afirma que se debe al aumento de la inseguridad del sector (x), pero
s de viviendas más económicas. En la tabla se muestran el comportamiento mensual de las variables
Superior 95,0%
990.7304941522
572.0453476872
2.51069096E-06
Resumen

Estadísticas de la regresión
Coeficiente de correlación múltiple 0.85243701
Coeficiente de determinación R^2 0.72664885
R^2 ajustado 0.64854852
Error típico 14.8127974
Observaciones 10

ANÁLISIS DE VARIANZA
Grados de libertad
Suma de cuadrados
Promedio de los cuadradosF Valor crítico de F
Regresión 2 4082.96723 2041.48362 9.30404351 0.01067882
Residuos 7 1535.93277 219.418967
Total 9 5618.9

Coeficientes Error típico Estadístico t Probabilidad Inferior 95%

Intercepción 854.916618 57.4357115 14.8847572 1.48095E-06 719.102742
Variable X 1 -961.298888 648.451539 -1.48245294 0.18178029 -2494.64312
Variable X 2 -4.236E-05 1.89756E-05 -2.23231304 0.06076313 -8.723E-05

Análisis de los residuales

Observación Pronóstico para YResiduos

1 651.504487 -1.50448716
2 643.423333 -3.42333309
3 605.119933 33.8800666
4 604.549398 5.45060247
5 602.431418 4.56858173
6 594.545646 -4.54564568
7 609.731046 -10.7310464
8 609.959261 -7.95926077
9 589.348388 -7.34838827
10 588.387089 -8.38708938
 Variable X 1 Curva de regresión ajustada
700
650
600 Y
Pronóstico para Y

Y
550
500
0.070 0.075 0.080 0.085 0.090 0.095 0.100 0.105
Variable X 1
or crítico de F

Superior 95%Inferior 95,0% Superior 95,0% Variable X 2 Curva de regresión ajustada

990.730494 719.102742 990.7304941522 700
572.045348 -2494.64312 572.0453476872 650
2.51069E-06 -8.723E-05 2.51069096E-06 600 Y
Pronóstico para Y
Y

550
500
$ 3,000,000 $ 3,500,000 $ 4,000,000 $ 4,500,000
Variable X 2
esión ajustada

Y
Pronóstico para Y

0 0.105

esión ajustada

Y
Pronóstico para Y

00,000
 Y= categoria
X=Encuestados Z= Categoria 1 5 Teniendo en cuenta que el valor pos
1 1 1 Teniendo en cuenta que el valor pos
2 1 1
3 1 1
4 1 1
5 1 1
6 1 0
7 1 0

1:Cuadro
PROPORCIONA LOS COEFICIENTES DE AJUSTES DEL MODELO
Estadísticas de la regresión
Coeficiente de correlación múltiple 0.804134613350987 SOLUCION:
Coeficiente de determinación R^2 0.646632476389141 0.0%
R^2 ajustado 0.469948714583712
Error típico 0.355250175234127 64.6%
Observaciones 7

2: Cuadro
ANALISIS DE LA VARIANZA
ANÁLISIS DE VARIANZA
Grados de libertad
Suma de cuadrados
Promedio de los cuadrados F
Regresión 2 0.92376068 0.46188034 3.659829685431
Residuos 4 0.50481075 0.12620269
Total 6 1.42857143

3:cuadro
CUADRO PARA PREVISIONES
Coeficientes Error típico Estadístico t Probabilidad
Intercepción 1.42857142857143 0.3002412 4.75807931 0.008917771719
Variable X 1 -0.178571428571429 0.06713597 -2.6598472 0.056399343669
Variable X 2 0 0 65535 #NUM!

Vemos que el p-value asociado a la prueba de la empresa YOPAL AUTOS LT

aproximadamente de 0,056 y que el intervalo de confianza de 95% asociado roza el
impacto sobre modelo.
Análisis de los residuales

Observación Pronóstico para Y Residuos

1 1.25 -0.25
2 1.07142857142857 -0.07142857
3 0.892857142857143 0.10714286
4 0.714285714285714 0.28571429
5 0.535714285714286 0.46428571
6 0.357142857142857 -0.35714286
7 0.178571428571429 -0.17857143
ndo en cuenta que el valor positivo hace referencia al SI, y este se identifica con el valor de 1
ndo en cuenta que el valor positivo hace referencia al NO, y este se identifica con el valor de 0

La relacion del coeficiente de correlacion multiple es fuerte y directa

el 64.6% de la variabilidad es explicada por nuestras variables. El resto de la variabilidad (35,4%)
es debido a efectos (variables explicativas) que no son tenidos en cuenta en este ejemplo.

Valor crítico de F
0.12486861 SOLUCION:
En este caso hay un 0,12.Significa que existe un riesgo del 12,4% de error
Concluyendo que las variables explicativas originan una cantidad de informacion muy significativa a

Inferior 95% Superior 95% SOLUCION:

0.59496823 2.26217463 Y^=ax+bz+c
-0.36497077 0.00782791 Y^=(-0,178571429)x+(0)z+1,428571429
0 0 Y^=(-0,178571429)(1)+(0)(0)+1,428571429
Y^=(-0,178571429)(1)+(0)(0)+1,428571429
Y^=1,25

a empresa YOPAL AUTOS LTDA de los trabajadores es

anza de 95% asociado roza el valor 0. Eso corrobora el escaso
o sobre modelo.
rmacion muy significativa al modelo.
Resumen

Estadísticas de la regresión
Coeficiente de correlación múltiple 0.80413461
Coeficiente de determinación R^2 0.64663248
R^2 ajustado 0.46994871
Error típico 0.35525018
Observaciones 7

ANÁLISIS DE VARIANZA
Grados de libertad
Suma de cuadrados
Promedio de los cuadradosF
Regresión 2 0.92376068 0.46188034 3.65982969
Residuos 4 0.50481075 0.12620269
Total 6 1.42857143

Coeficientes Error típico Estadístico t Probabilidad

Intercepción 1.42857143 0.3002412 4.75807931 0.00891777
Variable X 1 -0.17857143 0.06713597 -2.6598472 0.05639934
Variable X 2 0 0 65535 #NUM!

Análisis de los residuales

Observación Pronóstico para YResiduos

1 1.25 -0.25
2 1.07142857 -0.07142857
3 0.89285714 0.10714286
4 0.71428571 0.28571429
5 0.53571429 0.46428571
6 0.35714286 -0.35714286
7 0.17857143 -0.17857143
 Variable X 1 Curva de regresión ajus
1.5

1
Y
Pro

Y
0.5

0
0 1 2 3 4 5 6 7 8
Variable X 1
Valor crítico de F
0.12486861

Variable X 2 Curva de regresión ajus

Inferior 95% Superior 95%Inferior 95,0%
Superior 95,0% 1.5
0.59496823 2.26217463 0.59496823 2.26217463 1
Y
-0.36497077 0.00782791 -0.36497077 0.00782791
Y 0.5 Pro
0 0 0 0
0
0.8 1 1.2 1.4 1.6 1.8 2
Variable X 2
de regresión ajustada

Y
Pronóstico para Y

5 6 7 8
1

de regresión ajustada

Y
Pronóstico para Y

1.6 1.8 2
2